論文の概要: Real-Time Detection and Analysis of Vehicles and Pedestrians using Deep Learning

• arxiv url: http://arxiv.org/abs/2404.08081v1
• Date: Thu, 11 Apr 2024 18:42:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 16:34:33.653469
• Title: Real-Time Detection and Analysis of Vehicles and Pedestrians using Deep Learning
• Title（参考訳）: ディープラーニングを用いた自動車・歩行者のリアルタイム検出と解析
• Authors: Md Nahid Sadik, Tahmim Hossain, Faisal Sayeed,
• Abstract要約: 現在の交通監視システムは、小さな物体や歩行者をリアルタイムで効果的に認識する上で大きな困難に直面している。 本研究は、車や人の正確なリアルタイム認識のための複雑な視覚入力を処理できる高度なディープラーニングフレームワークの作成と検証に重点を置いている。 YOLOv8 大型モデルは、特に歩行者認識において最も効果的で、精度と堅牢性が高いことが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Computer vision, particularly vehicle and pedestrian identification is critical to the evolution of autonomous driving, artificial intelligence, and video surveillance. Current traffic monitoring systems confront major difficulty in recognizing small objects and pedestrians effectively in real-time, posing a serious risk to public safety and contributing to traffic inefficiency. Recognizing these difficulties, our project focuses on the creation and validation of an advanced deep-learning framework capable of processing complex visual input for precise, real-time recognition of cars and people in a variety of environmental situations. On a dataset representing complicated urban settings, we trained and evaluated different versions of the YOLOv8 and RT-DETR models. The YOLOv8 Large version proved to be the most effective, especially in pedestrian recognition, with great precision and robustness. The results, which include Mean Average Precision and recall rates, demonstrate the model's ability to dramatically improve traffic monitoring and safety. This study makes an important addition to real-time, reliable detection in computer vision, establishing new benchmarks for traffic management systems.
• Abstract（参考訳）: コンピュータビジョン、特に車両と歩行者の識別は、自動運転、人工知能、およびビデオ監視の進化に不可欠である。 現在の交通監視システムは、小さな物や歩行者を効果的に認識する上で大きな困難に直面しており、公共の安全を脅かし、交通の非効率に寄与している。 これらの難しさを認識し, 複雑な視覚入力を処理し, 様々な環境環境下での車や人々の正確なリアルタイム認識を実現するための, 高度なディープラーニングフレームワークの作成と検証に重点を置いている。 複雑な都市環境を表すデータセットを用いて, YOLOv8モデルとRT-DETRモデルの異なるバージョンを訓練し, 評価した。 YOLOv8 大型モデルは、特に歩行者認識において最も効果的で、精度と堅牢性が高いことが証明された。 平均精度とリコール率を含む結果は、交通監視と安全性を劇的に改善するモデルの能力を実証している。 本研究は、コンピュータビジョンにおけるリアルタイムかつ信頼性の高い検出に重要な追加を行い、交通管理システムのための新しいベンチマークを確立する。

関連論文リスト

• Traffic control using intelligent timing of traffic lights with reinforcement learning technique and real-time processing of surveillance camera images [0.0]
  信号機の最適タイミングを判定し、複数のパラメータに従って適用する。 YOLOv9-Cモデルを用いた車両検出には深層学習法が用いられた。 イランの車の画像にトランスファーラーニングとモデルの再訓練を併用することで、モデルの精度が向上した。
  論文  参考訳（メタデータ） (2024-05-22T00:04:32Z)
• Optimized Detection and Classification on GTRSB: Advancing Traffic Sign Recognition with Convolutional Neural Networks [0.0]
  本稿では,CNNの精度を96%近く向上する革新的な手法を提案する。 高度なローカライゼーション技術によってさらに精度が向上する可能性を強調している。
  論文  参考訳（メタデータ） (2024-03-13T06:28:37Z)
• Real-time Traffic Object Detection for Autonomous Driving [5.780326596446099]
  現代のコンピュータビジョン技術は、効率よりも精度を優先する傾向がある。 既存の物体検出器はリアルタイムには程遠い。 リアルタイム要件を取り入れた,より適切な代替案を提案する。
  論文  参考訳（メタデータ） (2024-01-31T19:12:56Z)
• Improving automatic detection of driver fatigue and distraction using machine learning [0.0]
  運転者の疲労と注意をそらした運転は交通事故の重要な要因である。 本稿では,視覚に基づくアプローチと機械学習に基づくアプローチを用いて,疲労と注意をそらした運転行動の同時検出手法を提案する。
  論文  参考訳（メタデータ） (2024-01-04T06:33:46Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking [58.95210121654722]
  理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。 私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
  論文  参考訳（メタデータ） (2022-04-15T12:47:01Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• VATLD: A Visual Analytics System to Assess, Understand and Improve Traffic Light Detection [15.36267013724161]
  本稿では,自律運転アプリケーションにおける交通信号検知器の精度とロバスト性を評価・理解・改善する視覚分析システム,VATLDを提案する。 歪んだ表現学習は、人間に親しみやすい視覚的要約で人間の認知を強化するために、データ意味を抽出する。 また、視覚分析システムであるVATLDによる様々な性能改善戦略の有効性を実証し、自律運転における安全クリティカルな応用の実践的意義を示す。
  論文  参考訳（メタデータ） (2020-09-27T22:39:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。